CN116959035A - 一种基于步态的身份识别方法、装置、芯片及终端 - Google Patents
一种基于步态的身份识别方法、装置、芯片及终端 Download PDFInfo
- Publication number
- CN116959035A CN116959035A CN202311208545.7A CN202311208545A CN116959035A CN 116959035 A CN116959035 A CN 116959035A CN 202311208545 A CN202311208545 A CN 202311208545A CN 116959035 A CN116959035 A CN 116959035A
- Authority
- CN
- China
- Prior art keywords
- gait
- images
- image set
- gait image
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005021 gait Effects 0.000 title claims abstract description 576
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000001133 acceleration Effects 0.000 claims description 35
- 238000000605 extraction Methods 0.000 claims description 26
- 230000005484 gravity Effects 0.000 claims description 23
- 238000012706 support-vector machine Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 238000010606 normalization Methods 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/103—Static body considered as a whole, e.g. static pedestrian or occupant recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Human Computer Interaction (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
本发明实施例公开了一种基于步态的身份识别方法、装置、芯片及终端,通过提取目标行人的步行视频中的步态图像,得到步态图像序列帧,基于步态图像序列帧中各步态图像构建步态树结构,计算步态树结构中各节点的步态出现频数,基于频数对序列帧中步态图像进行分类得到第一步态图像集和第二步态图像集,并对第二步态图像集中的步态图像进行分类,基于分类结果对第二步态图像集分割得到步态图像序列子集,分别对第一步态图像集和各步态图像序列子集中的步态图像进行步态特征的提取进而实现身份识别。以解决现有的步态身份识别方法存在识别准确率较低且模型复杂度高的问题。
Description
技术领域
本发明涉及人工智能技术领域,特别是涉及一种基于步态的身份识别方法、装置、芯片及终端。
背景技术
随着安全敏感场合对智能监控系统需求的增加,非接触远距离监控系统成为当前生物识别领域的一个研究热点,例如图像识别,对于在图像或者视频中识别目标对象,目前主要是通过边缘检测和目标模型匹配的方式来实现,但是这样的方式在提取目标和目标的特征时,会同时提取到背景和前景的信息,在对背景信息的提出时,由于存在较多的影响因素,如遮挡等,从而导致身份验证识别的准确度较低。
发明内容
基于此,本发明提供一种基于步态的身份识别方法、装置、芯片及存储介质,以解决现有的步态身份识别方法存在识别准确率较低且模型复杂度高的问题。
第一方面,提供一种基于步态的身份识别方法,包括:
基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧;
基于所述步态图像序列帧中各步态图像构建步态树结构;
计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数;
利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集;
分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
可选的,所述惯性传感器为加速度传感器,所述基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧,包括:
获取目标行人在行走过程中的视频数据和所述加速度传感器产生的坐标信息;
基于时间关系将各所述坐标信息与视频数据中的步态图像进行关联,得到步行视频;
基于所述坐标信息和间隔抽取的方式,计算出提取图像的间隔;
从所述步行视频中依次提取满足所述间隔的跨度的步态图像;
将所述步态图像的坐标信息作为所述步态图像的下标,得到步态图像序列帧。
可选的,所述从所述步行视频中依次提取满足所述间隔的跨度的步态图像,包括:
基于所述加速度传感器获取各步态图像的步态重力分量;
基于所述步态重力分量对所述步行视频中的各步态图像进行提重处理,得到相同的步态图像和所述步态图像在所述步行视频中的位置;
对相同的步态图像进行归一化处理,得到融合步态图像;
基于所述位置将所述融合步态图像替换对应的步态图像集合;
从所述步态图像集合中依次提取满足所述间隔的跨度的步态图像。
可选的,所述计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,包括:
提取所述步态树结构中的上层节点,并利用步态识别模型识别所述上层节点中的步态图像的步态类型;
基于所述步态类型计算对应的上层节点的步态出现的频数;
判断所述频数是否大于预设的分类界限值,得到判断结果;
将所述判断结果将所述步态图像序列帧中的步态图像分为两类,得到第一步态图像集和第二步态图像集。
可选的,所述利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集,包括:
将所述第二步态图像集转换为二叉树结构,并基于所述二叉树结构确定树分支;
将所述树分支对应的步态图像序列输入至预设的支持向量机分类器模型中求最优解;
基于所述最优解对各树分支进行归类,并基于归类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集。
可选的,所述分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别,包括:
利用预设的残差自编码身份认证网络,提取所述第一步态图像集和各所述步态图像序列子集中步态图像的步态特征;
基于提取的步态特征确定所述第一步态图像集和各所述步态图像序列子集对应的特征维度;
基于所述特征维度与步态周期的对应关系,确定所述目标行人当前的步态周期,并基于所述步态周期进行身份识别。
可选的,所述基于所述步态周期进行身份识别,包括:
对所述第一步态图像集和各所述步态图像序列子集对应的步态周期进行融合处理,得到组合步态周期;
判断所述组合步态周期的占比是否满足身份验证规则中步态周期的权重占比,得到识别结果。
第二方面,提供一种基于步态的身份识别装置,包括:
获取模块,用于基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧;
构建模块,用于基于所述步态图像序列帧中各步态图像构建步态树结构;
分类模块,用于计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数;以及利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集;
识别模块,用于分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
可选的,所述获取模块具体用于:
获取目标行人在行走过程中的视频数据和所述加速度传感器产生的坐标信息;
基于时间关系将各所述坐标信息与视频数据中的步态图像进行关联,得到步行视频;
基于所述坐标信息和间隔抽取的方式,计算出提取图像的间隔;
从所述步行视频中依次提取满足所述间隔的跨度的步态图像;
将所述步态图像的坐标信息作为所述步态图像的下标,得到步态图像序列帧。
可选的,所述获取模块具体用于:
基于所述加速度传感器获取各步态图像的步态重力分量;
基于所述步态重力分量对所述步行视频中的各步态图像进行提重处理,得到相同的步态图像和所述步态图像在所述步行视频中的位置;
对相同的步态图像进行归一化处理,得到融合步态图像;
基于所述位置将所述融合步态图像替换对应的步态图像集合;
从所述步态图像集合中依次提取满足所述间隔的跨度的步态图像。
可选的,所述分类模块具体用于:
提取所述步态树结构中的上层节点,并利用步态识别模型识别所述上层节点中的步态图像的步态类型;
基于所述步态类型计算对应的上层节点的步态出现的频数;
判断所述频数是否大于预设的分类界限值,得到判断结果;
将所述判断结果将所述步态图像序列帧中的步态图像分为两类,得到第一步态图像集和第二步态图像集。
可选的,所述分类模块具体用于:
将所述第二步态图像集转换为二叉树结构,并基于所述二叉树结构确定树分支;
将所述树分支对应的步态图像序列输入至预设的支持向量机分类器模型中求最优解;
基于所述最优解对各树分支进行归类,并基于归类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集。
可选的,所述识别模块具体用于:
利用预设的残差自编码身份认证网络,提取所述第一步态图像集和各所述步态图像序列子集中步态图像的步态特征;
基于提取的步态特征确定所述第一步态图像集和各所述步态图像序列子集对应的特征维度;
基于所述特征维度与步态周期的对应关系,确定所述目标行人当前的步态周期,并基于所述步态周期进行身份识别。
可选的,所述识别模块具体用于:
对所述第一步态图像集和各所述步态图像序列子集对应的步态周期进行融合处理,得到组合步态周期;
判断所述组合步态周期的占比是否满足身份验证规则中步态周期的权重占比,得到识别结果。
第三方面,提供一种芯片,包括第一处理器,用于从第一存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行如上所述的基于步态的身份识别方法的各个步骤。
第四方面,提供一种终端,包括第二存储器、第二处理器以及存储在所述第二存储器中并在所述第二处理器上运行的计算机程序,第二处理器执行所述计算机程序时实现如上介绍的基于步态的身份识别方法的各个步骤。
上述基于步态的身份识别方法、装置、芯片及存储介质,基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取步行视频中的步态图像,得到步态图像序列帧;基于步态图像序列帧中各步态图像构建步态树结构;计算步态树结构中各节点的步态出现的频数,并基于频数对步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,第一步态图像集中各步态出现的频数均大于第二步态图像集中各步态出现的频数;利用预设的支持向量机分类器模型对第二步态图像集中的步态图像进行分类处理,并基于分类的结果对第二步态图像集分割,得到对应的步态图像序列子集;分别对第一步态图像集和各步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。本发明实施例的方案通过将步态图像序列帧中的步态图像按照步态出现的频数先划分为第一步态图像集和第二步态图像集,然后再利用支持向量机分类器模型对第二步态图像集进行二分类,基于分类后的多种步态图像集进行步态特征提取,以实现身份识别,从而提高对步态特征提取的深度,提高特征提取和识别准确度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于步态的身份识别方法的流程示意图;
图2为本发明实施例支持向量机分类器模型的结构示意图;
图3为本发明实施例基于步态的身份识别装置的基本结构框图;
图4为本发明实施例提供的一种终端的基本结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(AI: Artificial Intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请根据对于识别率不够高的情况,提出了一种基于步态的身份识别方法,如图1所示,具体方法包括以下步骤:
S11,基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取步行视频中的步态图像,得到步态图像序列帧。
本实施例中,该惯性传感器是设置于目标行人上用于采集目标行人的步行时的动态数据的设备,其可以是智能穿戴设备,该智能穿戴设备与采集目标行人的步行视频的设备相互关联,具体是以时间为关联条件,例如两者通过蓝牙协议连接,以实现时间的同步,在目标行人步行的同时智能穿戴设备也记录动态数据,例如左脚或者右脚的移动位置、幅度等信息,然后后台将两个设备采集到的数据进行关联融合得到步行视频。
在实际应用中,在获取到步行视频后,对所述步行视频预处理,剔除其中的冗余图像,具体的识别所述步行视频提取每个时间帧上无人物的图像,并将其中步行视频中切割剔除,并按照时间先后顺序排序,得到完整的步行视频。
然后采用间隔抽取的方式提取其中的步态图像,目的是避免采样不均匀的问题,具体的,若所述惯性传感器为加速度传感器时,该步骤可以通过以下方式实现:
获取目标行人在行走过程中的视频数据和所述加速度传感器产生的坐标信息,基于时间关系将各所述坐标信息与视频数据中的步态图像进行关联,得到步行视频,基于所述坐标信息和间隔抽取的方式,计算出提取图像的间隔,从所述步行视频中依次提取满足所述间隔的跨度的步态图像,将所述步态图像的坐标信息作为所述步态图像的下标,得到步态图像序列帧。
其中,所述从所述步行视频中依次提取满足所述间隔的跨度的步态图像,包括:基于所述加速度传感器获取各步态图像的步态重力分量,基于所述步态重力分量对所述步行视频中的各步态图像进行提重处理,得到相同的步态图像和所述步态图像在所述步行视频中的位置,对相同的步态图像进行归一化处理,得到融合步态图像,基于所述位置将所述融合步态图像替换对应的步态图像集合,从步态图像集合中依次提取满足所述间隔的跨度的步态图像。
在实际应用中,智能穿戴设备内置的惯性传感器还可以是由加速度计和陀螺仪等组成。加速度计可以用于检测和测量物体运动状态的加速度,其原理基础是牛顿第二定律。
加速度传感器可以感知物体在三维空间任意方向的加速度。三轴加速度传感器包含了X,Y,Z三个轴,它可以用于测量和计算物体在空间坐标系中的运动状态和运动性质。
陀螺仪可以用于检测和测量物体运动状态的角速度,通过角速度可以计算空间坐标系和物体运动方向之间的夹角。陀螺仪和加速度计一样,具有X,Y,Z三个轴。在数据采集过程中,陀螺仪能够保持高速稳定的旋转,对于周期性信号来说,具有比加速度传感器更强的抗干扰能力。
在采集到视频数据后,可以基于记录的惯性传感器的数据来对视频数据中的视频帧进行筛选,选择加速度传感器和陀螺仪输出均相近的视频帧,从而获取到周期均匀且少干扰的视频数据。
在实际应用中,在提取步态图像序列帧时具体可以通过以下方式实现:
将采集所得的行走视频处理成步态图像序列帧具体是采用间隔抽取的方法提取图像帧序列,即从视频帧序列中按照1,3,5,…,29奇数的方式抽取图像.将步行视频提取成步态图像序列帧后,需将行标,左上角点的y坐标,检测框的宽度w,检测框的高度h),算法的迭代次数设定为5次,并设定使用矩形窗口对GrabCut进行初始化操作.需注意的是,GrabCut算法是基于人工交互式的图像分割方法。
针对加速度传感器坐标系偏移的问题,常用的解决方法是把采集的加速度数据转换到惯性坐标系中。针对原始数据采样不均匀的问题,现阶段最好的解决方案是对样本维度进行调整。遵循Nyquist采样定理的重采样方法,要使得误差的方差达到最小时选定一个固定的维数把样本数据都以这个维数为标准进行长度的统一。针对加速度序列中的噪声,常用的方法是使用滤波器过滤数据噪声,滤波器种类很多,常见的滤波器有:低通滤波器、高通滤波器、卡尔曼滤波器、均值滤波器等,本文使用均值滤波器,采用5均值滤波器对加速度序列进行降噪。
对原始数据处理增加重力分量滤除处理,对加速度传感器的重力分量进行了滤除,滤除之后可基于未滤除重力分量的三轴加速度计、滤除重力分量的三轴加速度计和三轴陀螺仪数据进行步态特征提取。由于重力为稳定的低频分量,使用高通滤波器滤除重力分量。
以步行状态为例,展示在步态动态情况下重力分量滤除前后的区别,图所示为步行状态下加速度计重力分量滤除前后对比图,X轴为采样点,Y轴为加速度计采样值,可以看出在滤除重力分量后,加速度计Y轴数据波形向上平移了约1g,X轴和Z轴数据发生了小幅的变化,这是由于在该段数据采集期间,智能手机Y轴处于重力加速度方向。
将重力分量滤除后,可以将加速度计数据调整到0值附近波动,结合后面进行的归一化步骤,可以让算法可以更好的学习步态数据的动态变化特征。
具体的,增加对原始数据处理增加重力分量滤除处理处理,由于加速度计和陀螺仪数据的单位和幅值有较大差异,需要对数据进行进一步的归一化,将加速度和陀螺仪数据归一化到[-1,1]范围,归一化后加速度单位为g(9.8m/s2),陀螺仪单位为rad/s。将步行状态下的三轴加速度、三轴陀螺仪与滤除重力分量后的三轴加速度进行归一化前后的对比图,从图中可以看出,进行归一化处理之后,数据的波动范围都变为了[-1,1],在实际应用中,也可以通过深度学习理论来实现上述的批量归一化。
S12,基于步态图像序列帧中各步态图像构建步态树结构。
该步骤中,提取步态图像序列帧中的步态图像,以及步态图像对应的时间点,然后各步态图像中行人的轮廓,基于轮廓对各步态图像进行分类,基于分类确定转折步态图像,将转折步态图像作为上层节点,位于转折步态图像前后的图像依次连接,并与转折步态图像连接,以得到步态树结构。
在实际应用中,基于轮廓对各步态图像进行分类具体是通过轮廓识别行人当前行走阶段,例如是左脚在前还是右脚在前,通过轮廓中脚步轮廓来实现识别。
基于左右脚来确定转折步态图像,从而进行归类,得到不同阶段的图像集,并将不同阶段的图像集来连接,得到步态树结构。
S13,计算步态树结构中各节点的步态出现的频数,并基于频数对步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集。
本实施例中,在计算频数之前,还包括对各节点的步态图像的具体步态进行识别,这里的步态可以分以下几种:左脚起步、左脚跟落地、左脚全落地、右脚向左脚靠拢、右脚远离左脚、右脚跟落地和右脚全落地。
基于识别的结果统计各步态的数量,并计算各节点相对于该步态树结构的频数,基于频数来选择上层节点,并基于上层节点对步态图像序列帧进行分割,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数。
本实施例中,提取所述步态树结构中的上层节点,并利用步态识别模型识别所述上层节点中的步态图像的步态类型;
基于所述步态类型计算对应的上层节点的步态出现的频数;
判断所述频数是否大于预设的分类界限值,得到判断结果;
将所述判断结果将所述步态图像序列帧中的步态图像分为两类,得到第一步态图像集和第二步态图像集。
其中,步态识别模型实际上是采用了两级步态特征的检测模型来构建,而第一级的检测模型是基于上述步骤S12得到的图像中的目标行人的三维模型作为输入,然后提取其中的步态特征,然后进行不同维度的卷积计算,得到多个维度的卷积特征,即是步态特征,并将不同维度的卷积计算得到的步态特征进行融合后,基于融合的特征对目标行人图像进行分割,得到候选区域,然后基于候选区来识别脚步位置的轮廓,以确定右脚在前还是左脚在前,从而实现具体步态的识别。
具体的,提取不同接受域下的特征,进行高低层特征融合,在高层特征预测的基础上,再用底层特征进行预测结果的调整。利用多层卷积神经网络(CNN)特征的互补优势 进行图像检索,基于此,使用的CSMFF行人检测算法除骨干网络外由两个关键部分组成:行人特征增强模块和行人二次检测模块。具体实现可以为:
将各所述图像对应的三维模型输入至预设的步态识别模型中进行五级卷积计算,得到五个卷积特征,每个卷积特征对应一个一级卷积层,所述卷积特征为关节特征;
将五个所述卷积特征输出入至所述步态识别模型中的特征增强模块中,去掉五个所述卷积特征中首尾,并对第二卷积层和第三卷积层输出的卷积特征进行上采样后,将采样到的特征与第二卷积层输出的卷积特征进行融合,得到第一融合特征;
将所述第一融合特征与第五卷积层输出的卷积特征进行融合,基于融合的结果从各所述三维模型中确定对应的候选区域。
在本实施例中,在生成第一步态图像集和第二步态图像集具体可以基于步态周期的数据分割方法和基于固定时间长度的数据分割方法。
其中,基于步态周期的数据分割方法使用一个或多个步态周期作为一个样本,其中步态周期是指同一侧脚两个连续脚跟着地(Heel Strike,HS)事件之间的时间间隔,如图3所示。步态周期包含了步态的单步特征,因其具有稳定性和差异性,在许多研究中被广泛使用,它可以通过加速度或角速度信号的极大值或极小值进行检测并划分。
基于固定时间长度的数据分割方法将固定时间长度的步态信号作为一个样本,由于不需要检测步态周期,该方法更加简单和高效,但也由于所分割的信号不具有周期性,在用于实现步态识别时性能通常会比基于步态周期的数据分割方法差。
S14,利用预设的支持向量机分类器模型对第二步态图像集中的步态图像进行分类处理,并基于分类的结果对第二步态图像集分割,得到对应的步态图像序列子集。
本实施例中,通过将所述第二步态图像集转换为二叉树结构,并基于所述二叉树结构确定树分支;
将所述树分支对应的步态图像序列输入至预设的支持向量机分类器模型中求最优解;
基于所述最优解对各树分支进行归类,并基于归类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集。
其中,支持向量机分类器模型是根据步态概率不同建立哈夫曼树,在哈夫曼树的树结点放置SVM二分类器,从而搭建步态多分类器模型。具体可以通过以下方式训练得到支持向量机分类器模型:
首先,获取多个行人的步态图像序列。
然后,提取出其中最普遍的步态,将步态图像序列先分类,让出现次数最多的步态最早分割出来,其中该分割是在二叉树的上层节点处分割,即是将步态图像序列转换成二叉树,基于二叉树进行分割,这样在整个分类阶段就可以保证经过的 SVM 分类器的数量最小化,从而降低错误累积问题,而且概率最高的步态最早被分类 还可以提高分类速度。问题转换为把若干个 SVM 二分类器节点构建为最优的二叉树问题,约束为经过的 SVM 分类器的数量最小,问题的解近似于一个哈夫曼树,其中哈夫曼树的权值为步态类别在总样本中的概率。
基于改进 SVM 的分类器模型构造算法应用在分类模型的训练阶段,最终生成哈夫曼树,类器模型如图2所示。
该分类器还可以是使用轻量卷积神经网络来实现,其包含四个卷积层和两个池化层。两个池化层放置在卷积层之后,用于进一步提取卷积层的主要特征并忽略无用特征。每一个卷积层或池化层后面是批归一化层(BatchNormalization,BN)和ReLU激活层,BN层和ReLU层可以加快网络训练和收敛的速度,并防止梯度消失或爆炸以及过拟合问题。L-CNN前面三层卷积层采用1D卷积,分别提取加速度和角速度单轴信号内的特征,有利于获得单轴信号更好的特征表示,最后一层卷积层采用2D卷积对前面三层卷积层提取到的6轴信号特征进行融合,以获取更有用的潜在高级特征,从而有利于网络获得更好的识别性能。
在进行分类时,两个池化层对树分支对应的步态图像序列进行特征提取,然后批归一化层(BatchNormalization,BN)对两个池化层提取到的特征进行归一化后,输出至ReLU激活层进行判断别,以确定类别。
S15,分别对第一步态图像集和各步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
本实施例中,利用预设的残差自编码身份认证网络,提取所述第一步态图像集和各所述步态图像序列子集中步态图像的步态特征;
基于提取的步态特征确定所述第一步态图像集和各所述步态图像序列子集对应的特征维度;
基于所述特征维度与步态周期的对应关系,确定所述目标行人当前的步态周期,并基于所述步态周期进行身份识别。
其中,在基于步态周期进行身份识别具体是通过对所述第一步态图像集和各所述步态图像序列子集对应的步态周期进行融合处理,得到组合步态周期;判断所述组合步态周期的占比是否满足身份验证规则中步态周期的权重占比,得到识别结果。
在实际应用中,通过判断残差自编码身份认证网络对第一步态图像集和各步态图像序列子集中步态图像是否成功可以确认目标行人的身份是否合法,从而实现身份认证。
该残差自编码身份认证网络中的残差自编码网络包含6个全连接(Dense)层和两个残差连接,全连接层的神经元数由前到后的结构是N-1000-600-200-600-1000-N,其中N表示输入和输出的特征维度。网络前面5层使用Relu激活函数,最后一层使用Sigmoid激活函数。第一层Dense层加入了Dropout来随机丢失一些神经元信息,防止网络过拟合,Dropout的比率设置为0.3。
跳跃连接将前面编码部分的Dense层的输出和后面解码部分的Dense层的输出相加,假设相加结果为x,x作为输入连接到解码部分的下一个Dense层,假设该层学习到的输出(分布)为F(x),残差可以表示为:
,
整理移项后可得:
,
残差连接使得网络更加容易优化,信息的前后传播也更加顺畅。
进一步的,该方法还包括在残差自编码身份认证网络无法识别时,采用DTW算法对第一步态图像集和各步态图像序列子集中步态图像进行特征提取识别,具体的DTW算法的匹配规则:
假设模板加速度序列T(i)={T1,T2,…,Tn},测试加速度序列S(i)={S1,S2,…,Sm}。为了对齐两个序列,需构建一个n*m的矩阵网格D,矩阵元素(i,j)表示从Ti到Sj两个点之间的距离d(T,S),这个距离使用欧式距离计算,在矩阵网格上来看D(i,j)表示从网格点(1,1)到(i,j)之间的最少累积距离,则D(i,j)由动态规整的递推公式可得:
,
其中(pi,pj)属于网格D中从(pi,pj)到(i,j)的路径中全部格点的集合。由上式可知,网格点(i,j)的最小失真距离包括特征值T(i)和T(j)的局部失真距离d(Ti,Sj)以及这个格点之前的最小累积距离。DTW算法归结为寻找一条通过此网格中若干格点的最优路径,路径通过的格点为两个序列进行对齐的点。对于同一人、不同人的样本,在步行、跑步、上下楼梯三种步态下进行路径规整。
将同一人的步态加速度信号匹配路径和不同人的步态加速度匹配路径对比可以看出,同一人的DTW匹配路径较为相似并不需要大幅度规整,路径斜率接近于1,反映了同一个人的两份样本在时间尺度上同步性较好,而不同人的样本在时间尺度上扭曲较大,这种现象在X、Z轴也有一致的体现。
综上,通过将步态图像序列帧中的步态图像按照步态出现的频数先划分为第一步态图像集和第二步态图像集,然后再利用支持向量机分类器模型对第二步态图像集进行二分类,基于分类后的多种步态图像集进行步态特征提取,以实现身份识别,从而提高对步态特征提取的深度,提高特征提取和识别准确度。同时还实现了对未知用户的身份识别。
为解决上述技术问题,本发明实施例还提供一种基于步态的身份识别装置。具体请参阅图3,图3为本实施基于步态的身份识别装置的基本结构框图,包括:
获取模块,用于基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧;
构建模块,用于基于所述步态图像序列帧中各步态图像构建步态树结构;
分类模块,用于计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数;以及利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集;
识别模块,用于分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
可选的,所述获取模块具体用于:
获取目标行人在行走过程中的视频数据和所述加速度传感器产生的坐标信息;
基于时间关系将各所述坐标信息与视频数据中的步态图像进行关联,得到步行视频;
基于所述坐标信息和间隔抽取的方式,计算出提取图像的间隔;
从所述步行视频中依次提取满足所述间隔的跨度的步态图像;
将所述步态图像的坐标信息作为所述步态图像的下标,得到步态图像序列帧。
可选的,所述获取模块具体用于:
基于所述加速度传感器获取各步态图像的步态重力分量;
基于所述步态重力分量对所述步行视频中的各步态图像进行提重处理,得到相同的步态图像和所述步态图像在所述步行视频中的位置;
对相同的步态图像进行归一化处理,得到融合步态图像;
基于所述位置将所述融合步态图像替换对应的步态图像集合;
从所述步态图像集合中依次提取满足所述间隔的跨度的步态图像。
可选的,所述分类模块具体用于:
提取所述步态树结构中的上层节点,并利用步态识别模型识别所述上层节点中的步态图像的步态类型;
基于所述步态类型计算对应的上层节点的步态出现的频数;
判断所述频数是否大于预设的分类界限值,得到判断结果;
将所述判断结果将所述步态图像序列帧中的步态图像分为两类,得到第一步态图像集和第二步态图像集。
可选的,所述分类模块具体用于:
将所述第二步态图像集转换为二叉树结构,并基于所述二叉树结构确定树分支;
将所述树分支对应的步态图像序列输入至预设的支持向量机分类器模型中求最优解;
基于所述最优解对各树分支进行归类,并基于归类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集。
可选的,所述识别模块具体用于:
利用预设的残差自编码身份认证网络,提取所述第一步态图像集和各所述步态图像序列子集中步态图像的步态特征;
基于提取的步态特征确定所述第一步态图像集和各所述步态图像序列子集对应的特征维度;
基于所述特征维度与步态周期的对应关系,确定所述目标行人当前的步态周期,并基于所述步态周期进行身份识别。
可选的,所述识别模块具体用于:
对所述第一步态图像集和各所述步态图像序列子集对应的步态周期进行融合处理,得到组合步态周期;
判断所述组合步态周期的占比是否满足身份验证规则中步态周期的权重占比,得到识别结果。
本实施例通过将步态图像序列帧中的步态图像按照步态出现的频数先划分为第一步态图像集和第二步态图像集,然后再利用支持向量机分类器模型对第二步态图像集进行二分类,基于分类后的多种步态图像集进行步态特征提取,以实现身份识别,从而提高对步态特征提取的深度,提高特征提取和识别准确度。
为解决上述技术问题,本发明实施例还提供一种芯片,该芯片可以为通用处理器,也可以为专用处理器。该芯片包括处理器,处理器用于支持终端执行上述相关步骤,例如从存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行,以实现上述各个实施例中的基于步态的身份识别方法。
可选的在一些示例下,该芯片还包括收发器,收发器用于接收处理器的控制,用于支持终端执行上述相关步骤,以实现上述各个实施例中的基于步态的身份识别方法。
可选的,该芯片还可以包括存储介质。
需要说明的是,该芯片可以使用下述电路或者器件来实现:一个或多个现场可编程门阵列(field programmable gate array,FPGA)、可编程逻辑器件(programmablelogicdevice,PLD)、控制器、状态机、门逻辑、分立硬件部件、任何其他适合的电路、或者能够执行本申请通篇所描述的各种功能的电路的任意组合。
本发明还提供一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现如上实施例提供的基于步态的身份识别方法的步骤。
具体请参阅图4,图4为示出的一种终端的基本结构框图,该终端包括通过系统总线连接的处理器、非易失性存储介质、存储器和网络接口。其中,该终端的非易失性存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种基于步态的身份识别方法。该终端的处理器用于提供计算和控制能力,支撑整个终端的运行。该终端的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行一种基于步态的身份识别方法。该终端的网络接口用于与终端连接通信。本领域技术人员可以理解,图中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本技术领域技术人员可以理解,这里所使用的“终端”、“终端设备”既包括无线信号接收器的设备,其仅具备无发射能力的无线信号接收器的设备,又包括接收和发射硬件的设备,其具有能够在双向通信链路上,执行双向通信的接收和发射硬件的电子设备。这种电子设备可以包括:蜂窝或其他通信设备,其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备;PCS(Personal Communications Service,个人通信系统),其可以组合语音、数据处理、传真和/或数据通信能力;PDA(Personal DigitalAssistant,个人数字助理),其可以包括射频接收器、寻呼机、互联网/内联网访问、网络浏览器、记事本、日历和/或GPS(Global Positioning System,全球定位系统)接收器;常规膝上型和/或掌上型计算机或其他设备,其具有和/或包括射频接收器的常规膝上型和/或掌上型计算机或其他设备。这里所使用的“终端”、“终端设备”可以是便携式、可运输、安装在交通工具(航空、海运和/或陆地)中的,或者适合于和/或配置为在本地运行,和/或以分布形式,运行在地球和/或空间的任何其他位置运行。这里所使用的“终端”、“终端设备”还可以是通信终端、上网终端、音乐/视频播放终端,例如可以是PDA、MID(Mobile InternetDevice,移动互联网设备)和/或具有音乐/视频播放功能的移动电话,也可以是智能电视、机顶盒等设备。
本发明还提供一种存储有计算机可读指令的存储介质,所述计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行上述任一实施例所述基于步态的身份识别方法的步骤。
本实施例还提供了一种计算机程序,该计算机程序可以分布在计算机可读介质上,由可计算装置来执行,以实现上述介绍的基于步态的身份识别方法的至少一个步骤;并且在某些情况下,可以采用不同于上述实施例所描述的顺序执行所示出或描述的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读装置,该计算机可读装置上存储有如上所示的计算机程序。本实施例中该计算机可读装置包括如上所示的计算机可读存储介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)等非易失性存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
应该理解的是,虽然附图的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,其可以以其他的顺序执行。而且,附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,其执行顺序也不必然是依次进行,而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于步态的身份识别方法,其特征在于,包括:
基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧;
基于所述步态图像序列帧中各步态图像构建步态树结构;
计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数;
利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集;
分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
2.如权利要求1所述的基于步态的身份识别方法,其特征在于,所述惯性传感器为加速度传感器,所述基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧,包括:
获取目标行人在行走过程中的视频数据和所述加速度传感器产生的坐标信息;
基于时间关系将各所述坐标信息与视频数据中的步态图像进行关联,得到步行视频;
基于所述坐标信息和间隔抽取的方式,计算出提取图像的间隔;
从所述步行视频中依次提取满足所述间隔的跨度的步态图像;
将所述步态图像的坐标信息作为所述步态图像的下标,得到步态图像序列帧。
3.如权利要求2所述的基于步态的身份识别方法,其特征在于,所述从所述步行视频中依次提取满足所述间隔的跨度的步态图像,包括:
基于所述加速度传感器获取各步态图像的步态重力分量;
基于所述步态重力分量对所述步行视频中的各步态图像进行提重处理,得到相同的步态图像和所述步态图像在所述步行视频中的位置;
对相同的步态图像进行归一化处理,得到融合步态图像;
基于所述位置将所述融合步态图像替换对应的步态图像集合;
从所述步态图像集合中依次提取满足所述间隔的跨度的步态图像。
4.如权利要求1所述的基于步态的身份识别方法,其特征在于,所述计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,包括:
提取所述步态树结构中的上层节点,并利用步态识别模型识别所述上层节点中的步态图像的步态类型;
基于所述步态类型计算对应的上层节点的步态出现的频数;
判断所述频数是否大于预设的分类界限值,得到判断结果;
将所述判断结果将所述步态图像序列帧中的步态图像分为两类,得到第一步态图像集和第二步态图像集。
5.如权利要求4所述的基于步态的身份识别方法,其特征在于,所述利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集,包括:
将所述第二步态图像集转换为二叉树结构,并基于所述二叉树结构确定树分支;
将所述树分支对应的步态图像序列输入至预设的支持向量机分类器模型中求最优解;
基于所述最优解对各树分支进行归类,并基于归类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集。
6.如权利要求1-5中任一项所述的基于步态的身份识别方法,其特征在于,所述分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别,包括:
利用预设的残差自编码身份认证网络,提取所述第一步态图像集和各所述步态图像序列子集中步态图像的步态特征;
基于提取的步态特征确定所述第一步态图像集和各所述步态图像序列子集对应的特征维度;
基于所述特征维度与步态周期的对应关系,确定所述目标行人当前的步态周期,并基于所述步态周期进行身份识别。
7.如权利要求6所述的基于步态的身份识别方法,其特征在于,所述基于所述步态周期进行身份识别,包括:
对所述第一步态图像集和各所述步态图像序列子集对应的步态周期进行融合处理,得到组合步态周期;
判断所述组合步态周期的占比是否满足身份验证规则中步态周期的权重占比,得到识别结果。
8.一种基于步态的身份识别装置,其特征在于,包括:
获取模块,用于基于惯性传感器获取目标行人的步行视频,并采用间隔抽取的方式提取所述步行视频中的步态图像,得到步态图像序列帧;
构建模块,用于基于所述步态图像序列帧中各步态图像构建步态树结构;
分类模块,用于计算所述步态树结构中各节点的步态出现的频数,并基于所述频数对所述步态图像序列帧中的步态图像进行分类,得到第一步态图像集和第二步态图像集,其中,所述第一步态图像集中各步态出现的频数均大于所述第二步态图像集中各步态出现的频数;以及利用预设的支持向量机分类器模型对所述第二步态图像集中的步态图像进行分类处理,并基于分类的结果对所述第二步态图像集分割,得到对应的步态图像序列子集;
识别模块,用于分别对所述第一步态图像集和各所述步态图像序列子集中的步态图像进行步态特征的提取,并基于提取的特征进行身份识别。
9.一种芯片,其特征在于,包括:第一处理器,用于从第一存储器中调用并运行计算机程序,使得安装有所述芯片的设备执行如权利要求1至7任一项所述的基于步态的身份识别方法的各个步骤。
10.一种终端,其特征在于,包括第二存储器、第二处理器以及存储在所述第二存储器中并在所述第二处理器上运行的计算机程序,其特征在于,所述第二处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于步态的身份识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208545.7A CN116959035A (zh) | 2023-09-19 | 2023-09-19 | 一种基于步态的身份识别方法、装置、芯片及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311208545.7A CN116959035A (zh) | 2023-09-19 | 2023-09-19 | 一种基于步态的身份识别方法、装置、芯片及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116959035A true CN116959035A (zh) | 2023-10-27 |
Family
ID=88462371
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311208545.7A Pending CN116959035A (zh) | 2023-09-19 | 2023-09-19 | 一种基于步态的身份识别方法、装置、芯片及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116959035A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160074272A1 (en) * | 2014-09-12 | 2016-03-17 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing gait task |
CN113139499A (zh) * | 2021-05-10 | 2021-07-20 | 中国科学院深圳先进技术研究院 | 一种基于轻量注意力卷积神经网络的步态识别方法和系统 |
-
2023
- 2023-09-19 CN CN202311208545.7A patent/CN116959035A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160074272A1 (en) * | 2014-09-12 | 2016-03-17 | Samsung Electronics Co., Ltd. | Method and apparatus for recognizing gait task |
CN113139499A (zh) * | 2021-05-10 | 2021-07-20 | 中国科学院深圳先进技术研究院 | 一种基于轻量注意力卷积神经网络的步态识别方法和系统 |
Non-Patent Citations (3)
Title |
---|
JYUN-JHE CHOU ET AL.: "IOT SENSING NETWORKS FOR GAIT VELOCITY MEASUREMENT", INT. J. APPL. MATH. COMPUT. SCI., vol. 29, no. 2, pages 245 - 259 * |
王彬: "面向步态变化场景的智能终端身份认证研究", 中国优秀硕士学位论文全文数据库信息科技辑, no. 02, pages 138 - 137 * |
黄浩华: "基于惯性传感器的身份认证与识别技术", 中国优秀硕士学位论文全文数据库信息科技辑, no. 08, pages 138 - 579 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10902615B2 (en) | Hybrid and self-aware long-term object tracking | |
Sun et al. | Sequential human activity recognition based on deep convolutional network and extreme learning machine using wearable sensors | |
US20180218256A1 (en) | Deep convolution neural network behavior generator | |
Saad et al. | Earthquake detection and P-wave arrival time picking using capsule neural network | |
CN109993100B (zh) | 基于深层特征聚类的人脸表情识别的实现方法 | |
Zhao et al. | Recognition of transportation state by smartphone sensors using deep bi-LSTM neural network | |
Su et al. | HDL: Hierarchical deep learning model based human activity recognition using smartphone sensors | |
CN111339849A (zh) | 一种融合行人属性的行人重识别的方法 | |
Ahmad et al. | Inertial sensor data to image encoding for human action recognition | |
Henrio et al. | Anomaly detection in videos recorded by drones in a surveillance context | |
CN115527269A (zh) | 一种人体姿态图像智能识别方法及系统 | |
Zhang et al. | Adaptive anchor networks for multi-scale object detection in remote sensing images | |
Jiang et al. | A multi-scale attributes attention model for transport mode identification | |
Li et al. | Real-time tracking algorithm for aerial vehicles using improved convolutional neural network and transfer learning | |
CN116946610B (zh) | 一种智能仓储系统货物拾取方法及装置 | |
Alam et al. | Feature cloning and feature Fusion Based Transportation Mode Detection using convolutional neural network | |
CN111623797A (zh) | 一种基于深度学习的步数测量方法 | |
Porwal et al. | Recognition of human activities in a controlled environment using CNN | |
CN116959035A (zh) | 一种基于步态的身份识别方法、装置、芯片及终端 | |
CN114943873A (zh) | 一种工地人员异常行为分类方法及装置 | |
Meena et al. | Hybrid Neural Network Architecture for Multi-Label Object Recognition using Feature Fusion | |
Nguyen et al. | Real-time human detection under omni-dir ectional camera based on cnn with unified detection and agmm for visual surveillance | |
US20220245829A1 (en) | Movement status learning apparatus, movement status recognition apparatus, model learning method, movement status recognition method and program | |
Fataniya et al. | Comprehensive analysis of deep learning-based human activity recognition approaches based on accuracy | |
Deshmukh et al. | Patient Monitoring System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |